基于模糊推理的机械故障智能诊断系统

Ｒｅ伽ｎｇａｎｄ

Ｍａｉｎｆｅｎａｎ∞改装与维修基于模糊推理的机械故障智能诊断系统

陈兴龙谢志江

（重庆大学机械工程学院，重庆４０００４４）

摘要：提取反映机械系统故障状态的特征向量，并利用模糊推理技术诊断机械系统的各种典型故障。提高了故障诊断的自动化水平和诊断结果的准确性。

关键词：智能故障诊断系统模糊推理

ＴｈｅＩｎｔｅｌｌｉｇｅｎｔＤｉａｇｎｏｓｉｓＳｙｓｔｅｍｉｎＭｅｃｈａｎｉｃａｌＦａｕｌｔ

ＢａｓｅｄｏｎＦｕｚｚｙＲｅａｓｏｎｉｎｇ

ＣＨＥＮＸｉｎｇｌｏｎｇ，ＸＩＥＺｈｉｊｉａｎｇ

（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ４０００４４ｌＣＨＮ）

Ａｂｓｔｒａｃｔ：Ｓｏｍｅｆｅａｔｕｒｅｓｔｈａｔｃａｎｓｈｏｗｍｅｃｈａｎｉｃａｌｆａｕｌｔｓａｒｅｅｘｔｒａｃｔｅｄ，ａｆｅｗｔｙｐｉｃａｌｆａｕｌｔｓｏｆｍｅｃｈａｎｉｃａｌｓｙｓｔｅｍａｒｅｄｉａｇｎｏｓｅｄｂｙｆｕｚｚｙｒｅａｓｏｎｉｎｇ．Ｔｈｅａｕｔｏｍａｔｉｃｌｅｖｅｌｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｄｉａｇｎｏｓｔｉｃ

ｒｅｓｕｌｔｓａｒｅｉｎｃｒｅａｓｅｄ．

Ｋｅｙｗｏｒｄｓ：ＩｎｔｅｌｌｉｇｅｎｔＦａｕｈＤｉａｇｎｏｓｔｉｃＳｙｓｔｅｍ；ＦｕｚｚｙＲｅａｓｏｎｉｎｇ

机械在运行过程中，会出现各种各样的故障，我们只有分析某种故障产生的原因，才能从根本上防止并预防故障的发生。在我们的项目中，已知一系列的故障特征样本及其所对应的故障原因，要求当我们采集到一组故障特征样本之后，能够依据已有的故障特征样本判断该类故障产生的原因。我们可以采用模糊推理的方法来判断新采集的故障特征样本所对应的故障原因。该方法可分三步进行，即模糊化，模糊聚类分析，模糊模式识别。具体过程如下：

１模糊化

机械故障具有３个基本属性，即描述故障的特征向量、故障征兆和故障原因。故障的特征向量是用来描述故障的特征参数（如温度、压力、振动）；故障征兆是故障发生前或发生过程中系统在某些方面可能表现出的异常现象（如温度高、压力小、振动大）；故障原因则是导致故障发生的系统特征属性（集合）。因此，一个故障可以通过下面形式化方法表示。设：

Ｄ＝｛ｄ。，ｄ：，……，ｄ。｝是故障特征值元素的有限集合

Ｅ＝｛ｅ】ｅ，ｅ：，……，ｅ。｝是故障征兆的有限集合

Ｆ＝｛工压，……正｝是故障原因的有限集合

在实际的机械故障诊断中，通过机械振动判断以下几个频段的幅值大小即可诊断出故障的原因，这几超醪鲻

龟；矿’ｚｗ，年幂。Ｍ个频段分别为０．１～０。３９倍频段中的幅值最大值、０。４—０．４９倍频段的幅值最大值、ｏ．５倍频幅值、１倍频幅值、２倍频幅值、３～５倍频段中的幅值最大值、所有奇数倍频中的幅值最大值和大于５倍频的频段中的幅值最大值。由数据采集器所得的各倍频的幅值为精确值，在进行判断之前必须将其模糊化处理，可采用模糊隶属函数对其进行模糊化处理，使得处理后各倍频的隶属度在［０，１］之间。常用的隶属函数有偏小型模糊分布函数、偏大型模糊分布和中间型模糊分布函数，结合项目的实际情况，通过比较分析各隶属函数的特点，可以选用升半哥西分布函数来对故障的特征向量进行州＝｛赫羔。式中系数ａ通常取零，为说明问题及计算方便，ｋ的值在一般的文献中取为１／２５００心ｊ。而在另外一份资料中＂１，对于参数的取值采用以下方法：为了研究问题方便，Ｕ值通常取为０，而ｋ值的选取则应依据不同研究对象的特点而定。如对“振动大”的命题，根据标准选择机械各部位振动允许值为限值，使振动振幅等于允许值时“振动大”的隶属度为０．５，代入到式（１），从而求得ｋ值。由于具有不同转速的机组，振动允许值不同，因此在工程应用中，可针对不同转速的机组选择

万方数据